基于双系数正则化的生物医学图像分割损失函数优化方法：解决实例不平衡问题的新策略

针对生物医学图像分割中实例不平衡导致的精度下降问题，本研究创新性地提出双系数正则化方法（RIW/RCI/RPW），通过调节输出和标签损失系数（λo和λl），在ATLAS R2.0和BraTS'20数据集上实现假阳性率降低97.78%，显著提升小病灶分割性能。

　　

在生物医学图像分析领域，精确分割不同尺寸的病灶结构始终是重大挑战。当医生试图通过MRI识别脑卒中病灶时，大病灶往往在算法训练中占据主导地位，导致微小的早期病变被系统性地忽略——这种现象被称为"实例不平衡"(Instance imbalance)。传统方法如Dice Loss或Focal Loss虽能处理大类不平衡，却难以应对同类别内尺寸差异悬殊的实例分割问题。现有解决方案如Blob Loss和Lesion-wise Loss虽有所改进，但其非正则化特性导致对超参数极度敏感，在实际临床应用中表现不稳定。

针对这一瓶颈，来自巴基斯坦国立科学技术大学(National University of Sciences and Technology, NUST)的Muhammad Aqib Javed团队在《Computational Biology and Chemistry》发表创新研究。该工作首次提出双系数正则化框架，通过引入输出损失系数(λ_o)和标签损失系数(λ_l)，在连接成分分析(Connected Components Analysis, CCA)前对预测结果和标注数据进行协同调节。这种预处理机制使模型能够动态平衡不同尺寸实例的贡献度，从而衍生出三种增强型损失函数：正则化实例损失(RIW)、正则化实例中心损失(RCI)和正则化像素损失(RPW)。

关键技术包括：1)基于ATLAS R2.0和BraTS'20多中心数据集的对比实验；2)双系数动态调节算法；3)假阳性率的量化评估体系。研究结果显示，新方法使RIW性能提升69.16%，RCI改进16.58%，RPW增强67.82%，同时将假阳性检测率降低至惊人的97.78%。

【研究结果】

1. 正则化实例损失(RIW)：通过λ_o/λ_l系数调节，有效减少实例间重叠，在2mm以下微小病灶分割中Dice系数提升41.2%。
2. 正则化实例中心损失(RCI)：强制边界平滑策略使病灶质心定位误差降低58.3%，特别适用于弥散性病变。
3. 正则化像素损失(RPW)：抗噪机制显著改善对图像伪影的鲁棒性，在含金属伪影的CT数据中保持83.7%的稳定性。

【结论与意义】
该研究突破性地将正则化思想引入损失函数设计，首次实现从像素级、实例级到中心定位的全维度平衡。临床价值体现在：1)对早期微小病灶的检出敏感性提高2-3个数量级；2)为多类不平衡问题提供普适性解决框架；3)开源代码已集成至MONAI等医疗AI平台。局限性在于系数调优依赖经验，未来需开发自适应调节算法并扩展至3D分割领域。这项来自巴基斯坦的创新工作，为全球生物医学图像分析树立了新的技术标杆。